Tesseract 的自定义字典

Posted 2023-04-17

【中文标题】Tesseract 的自定义字典

【英文标题】：Custom Dictionary for Tesseract

【发布时间】：2012-03-23 00:20:49

【问题描述】：

我目前正在开发一个使用 Tesseract OCR 的 android 项目。我希望通过添加字典来微调给用户的结果。根据tesseract OCR wiki，最好的办法是

用你自己的单词列表替换 tessdata/eng.user-words，在同一个 格式 - UTF8 文本，每行一个字。

但是 tessdata 文件夹中没有 eng.user-words 文件，我假设如果我只是用我的字典制作一个文本文件，它将永远不会被使用...

有没有人有类似经历并且知道该怎么做？

【参考方案1】：

如果您使用的是tesseract 3（我假设您是）。 您必须重建您的 eng.trainddata 文件。

我打算完全替换 word-dawg 文件以尝试获得更好的结果（即 - 我检测到的单词总是相同的）。

编译 tesseract 时，您需要在训练目录中包含 combine_tessdata 和 wordlist2dawg 可执行文件。

解压所有内容（我这样做只是为了备份我的 eng.word-dawg，稍后您还需要 unicharset）

./combine_tessdata -u eng.traineddata

为你的单词表创建一个文本文件（wordlistfile）

创建一个 eng.word-dawg

./wordlist2dawg wordlistfile eng.word-dawg traineddat_backup/.unicharset

替换word-dawg文件

./combine_tessdata -o eng.traineddata eng.word-dawg

应该是这样的。

【讨论】：

我正在尝试执行此步骤 3，但出现此错误 Loading unicharset from 'traineddat_backup/.unicharset' Failed to load unicharset from 'traineddat_backup/.unicharset' 请帮助我，我正在尝试在 Ubuntu 12.04 和 tesseract 3.02 上执行此操作。

@MuhammadMuaz: traineddat_backup/.unicharset 是第一个 cmd 输出的文件夹路径。如果第一个 cmd 是 ./combine_tessdata -u ita.traineddata /path/to/folder/tmp/ita.，则第三个是 ./wordlist2dawg wordlist ita.word-dawg /path/to/folder/tmp/ita.unicharset。希望对您有所帮助，我为此浪费了 30 分钟。